(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111441414.4 (22)申请日 2021.11.30 (71)申请人 浙江大学衢州研究院 地址 324000 浙江省衢州市九华北 大道78 号行政楼310室 申请人 浙江大学 (72)发明人 杨双华　苏洪昕　周辰琛　曹毅　 (74)专利代理 机构 杭州天勤知识产权代理有限 公司 33224 代理人 曹兆霞 (51)Int.Cl. G05B 19/418(2006.01) G06N 20/00(2019.01) (54)发明名称 基于机器学习的自优化被控变量选择方法 和装置 (57)摘要 本发明公开了一种基于机器学习的自优化 被控变量选择方法和装置， 包括： 从工业控制系 统中采集历史稳态数据， 包括测量变量、 操纵变 量和干扰变量； 根据物料平衡、 能量平衡构建稳 态模型方程并求解； 确定经济目标函数和系统约 束条件， 基于稳态模型构建稳态优化问题， 并进 行求解得到测量变量、 操纵变量和约束变量的最 优数据； 利用机器学习算法对测量变量、 操纵变 量和约束变量的最优数据构建的样本数据进行 学习， 以构建约束变量与测量变量和操纵变量之 间的映射关系， 并将该映射关系与约束变量的差 作为自优化被控变量表达式； 根据自优化被控变 量表达式在线计算自优化被控变量的实际值， 并 将其控制在零值附近， 以保持被控系统实时靠近 最优运行。 权利要求书2页 说明书7页 附图2页 CN 114237172 A 2022.03.25 CN 114237172 A 1.一种基于 机器学习的自优化被控变量选择 方法， 其特 征在于， 包括以下步骤： 步骤1， 从工业控制系统中采集历史稳态数据， 包括测量变量、 操纵变量和干扰变量数 据； 步骤2， 根据物料平衡、 能量平衡构建含有未知参数的稳态模型方程， 利用历史稳态数 据进行参数辨识， 得到被控系统的稳态模型； 步骤3， 确定经济目标函数和系统约束条件， 基于被控系统的稳态模型， 构建稳态优化 问题， 并进行求 解得到测量变量、 操纵变量和约束变量的最优数据； 步骤4， 采用测量变量、 操纵变量和约束变量的最优数据作为样本数据， 利用机器学习 算法对该样本数据进 行离线学习， 构建约束变量与测量变量和操纵变量之 间的变量映射关 系， 将该变量映射关系与约束变量的差作为自优化被控变量的表达式； 步骤5， 从工业控制系统中实时采集测量变量、 操纵变量和约束变量的实际数据， 根据 自优化被控变量表达式计算 实际的被控变量值， 并在线通过反馈控制将该值 维持在零值附 近， 使得被控系统实时靠 近最优运行。 2.如权利要求1所述的基于机器学习的自优化被控变量选择方法， 其特征在于， 步骤1 中， 依据香农采样定理确定采样频。 3.如权利要求1所述的基于机器学习的自优化被控变量选择方法， 其特征在于， 步骤2 中， 构建的稳态模 型为非线性稳态模型， 表 示为y＝f(u,d, α )， 其中， u和d分别表 示操纵变量 与干扰变量， y表示测量变量， α 表示待求解的模 型参数； 采用非线性回归方法进 行求解非线 性稳态模型， 以确定模型参数α， 得到参数确定的非线性稳态模型y＝f(u,d)。 4.如权利要求1所述的基于机器学习的自优化被控变量选择方法， 其特征在于， 步骤3 中， 求解稳态优化问题 时， 对干扰变量d在其变化范围内进行蒙特卡洛随机采样， 在每个采 样点di处求解优化问题， i＝1, …,N， N为采样点个数， 通过求解N个优化问题， 得到一系列的 测量变量、 操纵变量和约束变量的最优数据。 5.如权利要求4所述的基于机器学习的自优化被控变量选择方法， 其特征在于， 通过逐 渐增加N值直到平均经济损失逐渐变小且趋于稳定来确定最优采样N值， 其中， 经济损失为 经济目标函数的实际值与最优值之差 。 6.如权利要求1所述的基于机器学习的自优化被控变量选择方法， 其特征在于， 步骤4 中， 机器学习算法可采用神经网络方法， 以测 量变量和操纵变量的最优数据作为神经网络 的输入， 以约束变量的最优数据作为神经网络的输出， 来训练神经网络， 确定神经网络参 数， 以参数确定的神经网络体现的非线性映射来构建约束变量与测量变量和操纵变量之间 的变量映射关系， 将该映射关系与约束变量的差作为自优化被控变量的表达式。 7.如权利要求1所述的基于机器学习的自优化被控变量选择方法， 其特征在于， 步骤5 中， 工业控制系统的控制器采用PID控制器， 可基于Skogestad  IMC规则对PID参数进行整 定， 包括控制器增益Kp、 积分时间TI以及微分时间TD， 通过PID控制器将自优化被控变量 维持 在零值附近， 以保持被控系统实时靠 近最优运行。 8.如权利要求1所述的基于机器学习的自优化被控变量选择方法， 其特征在于， 步骤5 中， 当工业控制系统的原控制结构不能更改时， 可在原控制层上增加自优化层， 将自优化被 控变量应用于自优化层， 自优化层中的PID控制器的输出作为原控制回路中被控变量的设 定值。权　利　要　求　书 1/2 页 2 CN 114237172 A 29.一种基于机器学习的自优化被控变量选择装置， 其特征在于， 包括： 工业控制系统和 与其通信的工业电脑， 工业电脑中存储有利用权利要求1 ‑8任一项所述的基于机器学习的 自优化被控变量选择 方法构建的自优化被控变量表达式； 工业控制系统实时采集测量变量、 操纵变量和约束变量的实 际数据， 并传输至工业电 脑； 工业电脑根据自优化被控变量表达式计算自优化被控变量的实际值， 并反馈给工业控 制系统； 工业控制系统通过控制器将自优化被控变量维持在零值附近， 以保持被控系统实时靠 近最优运行。 10.如权利要求9所述的基于机器学习的自优化被控变量选择装置， 其特征在于， 当工 业控制系统的原控制结构不能更改时， 可在原控制层上增加自优化层， 将自优化被控变量 应用于自优化层， 自优化层中的PID控制器的输出作为原控制回路中被控变量的设定值。权　利　要　求　书 2/2 页 3 CN 114237172 A 3